基于单目深度估计和校准参数的距离测算方法

为了提升有监督学习的单目深度估计网络对于实际场景测距任务的准确性和适用性,提出了一种基于单目深度估计和校准参数的距离测算方法。首先通过引入多元注意力模块和优化设计网络结构,构建了一种融合全局上下文和空间注意力机制的网络(GSNet),然后制定校准参数以建立场景的预测距离与实际距离的比例关系,从而获得校准后的距离值。实验证明,融合网络GSNet和校准参数可以有效减小单目深度估计方法在实际测算距离的误差。相比于使用单目深度估计直接预测距离信息,本文方法测算距离的平均绝对误差小于0.15 m,平均相对误差小于10%,具有很好的可行性和准确性。

基于改进YOLOX-s的机场跑道冰雪状态感知

针对机场冰雪跑道安全性和适航性状态感知能力不足及跑道表面状况报告交互的新需求,提出一种面向多尺度特征融合的机场跑道冰雪状态感知模型.以YOLOX-s模型为基础,在主干特征提取网络中引入全局上下文模块,获取更丰富的浅层与深层特征;将颈部结构中路径聚合网络替换为双向特征金字塔,以提升特征融合能力;在加强特征提取网络尾部添加自适应空间特征融合结构,进一步增强特征融合效果;使用α-EIoU优化损失函数,提高模型收敛速度与精度.实验结果表明,改进后的YOLOX-s模型在跑道冰雪实验系统所得的冰雪污染物数据集上平均精度达到了91.53%,比原始的YOLOX-s模型提高了4.68%,能够为机场跑道除冰雪作业提供决策支持.

一种基于FFA-Net改进的单幅图像去雾算法

雾霾会严重影响使用卷积神经网络的视觉系统对目标图像的检测和识别能力,为此本文在特征融合注意力网络FFA-Net的基础上设计和添加全局空间上下文增强(GSCE)模块和细节渐进增强(PDE)模块,进而提出一种改进型单幅图像去雾算法。GSCE模块用于增强全局空间信息,PDE模块用于逐步细化和增强图像特征,二者结合进行高效和轻量级的特征提取,弥补原模型中大量使用跳跃连接所造成的细节信息损失。改进模型分别在公共基准数据集RESIDE的室内数据和室外数据上进行训练,并分别在SOTS的室内和室外两个数据集上进行了测试。结果表明,本文算法明显超越了原FFA-Net和现有典型的单幅图像去雾算法,尤其在SOTS室内测试数据集上,单独融合GSCE模块就使得PSNR指标从36.36 dB提升到38.39 dB,在进一步使用PDE模块后PSNR指标提升到38.78 dB,算法的去雾性能得到较大提高,验证了改进策略的有效性。